一种基于概率密度传播的目标跟踪算法剖析.pptVIP

模板来自于 / * 一种基于概率密度传播的目标跟踪算法 背景 系统模型 概率密度传播跟踪算法 目录 背景 有效的目标跟踪是无线传感器网络在战场信息监测、生活习性监测、室内定位等众多领域得以应用的基础。目标跟踪算法整体上分为两大类：概率方法和数值方法。 算法 问题的转化 方法 概率算法 将跟踪问题转化为状态估计问题 贝叶斯估计、极大似然估计等 数值算法 将跟踪问题看作优化问题 求极值 表1 两种目标跟踪算法的比较 背景 PF(Particle Filter)算法被提出并用来解决非线性、非高斯环境下的目标跟踪问题。PF算法理论上基于后验分布进行采样，在实际应用中很难做到。实际中通常基于先验分布采样，然后利用似然函数进行加权，但是会产生退化、贫化等一系列问题。针对上述问题，本文提出一种贝叶斯框架下的概率密度传播跟踪算法 PDPA。 系统模型 PDPA 算法基于贝叶斯框架，采用状态空间模型来表述WSN跟踪问题，令目标的状态变量序列为 ，观测变量序列为 ，则有 F，H， ， 分别为为状态预测函数，状态观测函数，过程噪声和观测噪声。在(1)和(2)作用下，状态分布先验概率密度函数 和后验概率密度函数 按式(3)，式(4)进行状态预测和更新： 系统模型 GMM(Gaussian Mixture Model)具有近似表示任意概率分布的能力，本文采用 GMM 来表示概率分布函数 ， 及 ，如式(5)所示。 这里c为高斯核个数， 为第m个核的权值， 为其均值， 为其方差，高斯函数 定义为 这里d为变量x的维数，文中T代表转置。 概率密度传播跟踪算法 PDPA 算法采用GMM表征先验分布、似然函数、后验分布，有效地克服了 PF 算法退化、贫化、采样效率低的问题，同时，具有处理非线性、非高斯问题的能力。整个算法基于贝叶斯框架，分为预测、似然函数构建、后验分布计算、目标位置确定4部分。 概率密度传播跟踪算法 预测 算法基于上一时刻的后验分布进行预测，通过UT(Unscented Transform)变换对GMM中每个高斯函数 进行采样如式(7)所示： 为采样样本位置， 为其权值，为尺度调节变量， 为矩阵第i行或列的开平方。将这些样本代入运动方程实现状态预测。 对GMM中每个高斯函数均进行UT变换，获得先验分布。 概率密度传播跟踪算法 似然函数构建 目标可以通过RSSI(Received Signal Strength Indicator)，TDOA(Time Difference of Arrival)，TOF(Time of Flight)等多种技术手段获取自身与参考节点的距离估计；然后，根据几何约束关系估算目标可能出现的区域；最后，结合观测噪声，建立GMM 模型用来表征似然函数。由物理信号获取距离信息时可采取中值滤波措施减小噪声的影响。 概率密度传播跟踪算法 后验分布计算 后验分布函数为先验分布函数与似然函数的乘积，如式(11) c1，c2分别为先验分布核个数和似然函数核个数，相乘得到核个数为c1×c2的 GMM 函数。新的GMM函数综合了先验信息以及当前时刻的观测信息，代表了目标的后验分布信息。 求出其参数。 模板来自于 / *